modules/studentact/current_situation_interface.py

# modules/studentact/current_situation_interface.py

import streamlit as st
import logging
from ..utils.widget_utils import generate_unique_key
import matplotlib.pyplot as plt
import numpy as np

from ..database.current_situation_mongo_db import store_current_situation_result

from ..database.writing_progress_mongo_db import (
    store_writing_baseline,
    store_writing_progress,
    get_writing_baseline,
    get_writing_progress,
    get_latest_writing_metrics
)

from .current_situation_analysis import (
    analyze_text_dimensions, 
    analyze_clarity,
    analyze_vocabulary_diversity, 
    analyze_cohesion,
    analyze_structure,
    get_dependency_depths, 
    normalize_score, 
    generate_sentence_graphs, 
    generate_word_connections, 
    generate_connection_paths,
    create_vocabulary_network, 
    create_syntax_complexity_graph, 
    create_cohesion_heatmap     
)

# Configuración del estilo de matplotlib para el gráfico de radar
plt.rcParams['font.family'] = 'sans-serif'
plt.rcParams['axes.grid'] = True
plt.rcParams['axes.spines.top'] = False
plt.rcParams['axes.spines.right'] = False

logger = logging.getLogger(__name__)
####################################

TEXT_TYPES = {
    'academic_article': {
        'name': 'Artículo Académico',
        'thresholds': {
            'vocabulary': {'min': 0.70, 'target': 0.85},
            'structure': {'min': 0.75, 'target': 0.90},
            'cohesion': {'min': 0.65, 'target': 0.80},
            'clarity': {'min': 0.70, 'target': 0.85}
        }
    },
    'student_essay': {
        'name': 'Trabajo Universitario',
        'thresholds': {
            'vocabulary': {'min': 0.60, 'target': 0.75},
            'structure': {'min': 0.65, 'target': 0.80},
            'cohesion': {'min': 0.55, 'target': 0.70},
            'clarity': {'min': 0.60, 'target': 0.75}
        }
    },
    'general_communication': {
        'name': 'Comunicación General',
        'thresholds': {
            'vocabulary': {'min': 0.50, 'target': 0.65},
            'structure': {'min': 0.55, 'target': 0.70},
            'cohesion': {'min': 0.45, 'target': 0.60},
            'clarity': {'min': 0.50, 'target': 0.65}
        }
    }
}
####################################

ANALYSIS_DIMENSION_MAPPING = {
    'morphosyntactic': {
        'primary': ['vocabulary', 'clarity'],
        'secondary': ['structure'],
        'tools': ['arc_diagrams', 'word_repetition']
    },
    'semantic': {
        'primary': ['cohesion', 'structure'],
        'secondary': ['vocabulary'],
        'tools': ['concept_graphs', 'semantic_networks']
    },
    'discourse': {
        'primary': ['cohesion', 'structure'],
        'secondary': ['clarity'],
        'tools': ['comparative_analysis']
    }
}

####################################

def display_current_situation_interface(lang_code, nlp_models, t):
    """
    Interfaz con línea base y progreso lado a lado.
    """
    # Inicialización de todos los estados necesarios
    if 'baseline_text' not in st.session_state:
        st.session_state.baseline_text = ""
        
    if 'baseline_metrics' not in st.session_state:
        st.session_state.baseline_metrics = None
        
    if 'iteration_count' not in st.session_state:
        st.session_state.iteration_count = 0
        
    # Intentar recuperar línea base guardada
    try:
        baseline = get_writing_baseline(st.session_state.username)
        if baseline:
            st.session_state.baseline_text = baseline['text']
            st.session_state.baseline_metrics = baseline['metrics']
    except Exception as e:
        logger.warning(f"No se pudo recuperar la línea base: {str(e)}")
    
    try:
        # st.title("Análisis de Escritura")
        
        # Crear dos columnas principales
        col1, col2 = st.columns(2)
        
        # Columna izquierda: Línea Base 
        with col1:
            st.markdown("### Línea Base")
            # Text area para línea base
            baseline_text = st.text_area(
                "Texto base",
                value=st.session_state.baseline_text,
                height=200,
                key="baseline_area",
                help="Este texto servirá como punto de referencia"
            )
            
            baseline_button = st.button(
                "Establecer Línea Base", 
                type="primary",
                use_container_width=True
            )

            # Análisis y métricas de línea base
            if baseline_button:
                with st.spinner("Analizando línea base..."):
                    doc = nlp_models[lang_code](baseline_text)
                    metrics = analyze_text_dimensions(doc)
                    success = store_writing_baseline(
                        username=st.session_state.username,
                        metrics=metrics,
                        text=baseline_text
                    )
                    
                    if success:
                        st.session_state.baseline_text = baseline_text
                        st.session_state.baseline_metrics = metrics
                        st.success("Línea base establecida")
                        # Métricas justo debajo del text area
                        display_metrics_column(metrics, "Línea Base")

        # Columna derecha: Progreso
        with col2:
            st.markdown(f"### Iteración #{st.session_state.iteration_count + 1}")
            # Text area para iteración
            current_text = st.text_area(
                "Texto actual",
                height=200,
                key="current_area",
                help="Escribe la nueva versión de tu texto"
            )
            
            progress_button = st.button(
                "Analizar Progreso", 
                type="primary",
                use_container_width=True
            )

            # Análisis y métricas de progreso
            if progress_button:
                if not st.session_state.baseline_metrics:
                    st.error("Primero debes establecer una línea base")
                    return
                    
                with st.spinner("Analizando progreso..."):
                    doc = nlp_models[lang_code](current_text)
                    current_metrics = analyze_text_dimensions(doc)
                    st.session_state.iteration_count += 1
                    
                    store_writing_progress(
                        username=st.session_state.username,
                        metrics=current_metrics,
                        text=current_text
                    )
                    # Métricas justo debajo del text area
                    display_metrics_column(current_metrics, f"Iteración #{st.session_state.iteration_count}")

        # Expander con gráfico radar al final
        with st.expander("Ver Comparación Visual", expanded=False):
            if st.session_state.baseline_metrics and 'current_metrics' in locals():
                baseline_config = prepare_metrics_config(st.session_state.baseline_metrics)
                current_config = prepare_metrics_config(current_metrics)
                display_radar_chart(
                    metrics_config=current_config,
                    thresholds=TEXT_TYPES['student_essay']['thresholds'],
                    baseline_metrics=st.session_state.baseline_metrics
                )

    except Exception as e:
        logger.error(f"Error en interfaz: {str(e)}")
        st.error("Error al cargar la interfaz")
        
    finally:
        # Limpiar recursos si es necesario
        plt.close('all')

###################################

def display_metrics_column(metrics, title):
    """Muestra columna de métricas con formato consistente"""
    # st.markdown(f"#### Métricas {title}")
    
    for dimension in ['vocabulary', 'structure', 'cohesion', 'clarity']:
        value = metrics[dimension]['normalized_score']
        if value < 0.6:
            status = "⚠️ Por mejorar"
            color = "inverse"
        elif value < 0.8:
            status = "📈 Aceptable" 
            color = "off"
        else:
            status = "✅ Óptimo"
            color = "normal"
            
        st.metric(
            dimension.title(),
            f"{value:.2f}",
            status,
            delta_color=color
        )

###################################

def display_baseline_interface(lang_code, nlp_models, t):
    """Interfaz para establecer línea base"""
    try:
        st.markdown("### Establecer Línea Base")
        
        text_input = st.text_area(
            "Texto para línea base",
            height=300,
            help="Este texto servirá como punto de referencia para medir tu progreso"
        )
        
        if st.button("Establecer como línea base", type="primary"):
            with st.spinner("Analizando texto base..."):
                # Analizar el texto
                doc = nlp_models[lang_code](text_input)
                metrics = analyze_text_dimensions(doc)
                
                # Guardar como línea base
                success = store_writing_baseline(
                    username=st.session_state.username,
                    metrics=metrics,
                    text=text_input
                )
                
                if success:
                    st.success("Línea base establecida con éxito")
                    # Mostrar el gráfico radar inicial
                    metrics_config = prepare_metrics_config(metrics)
                    display_radar_chart(metrics_config, TEXT_TYPES['student_essay']['thresholds'])
                else:
                    st.error("Error al guardar la línea base")
                    
    except Exception as e:
        logger.error(f"Error en interfaz de línea base: {str(e)}")
        st.error("Error al establecer línea base")



###################################

def display_comparison_interface(lang_code, nlp_models, t):
    """Interfaz para comparar progreso"""
    try:
        # Obtener línea base
        baseline = get_writing_baseline(st.session_state.username)
        
        if not baseline:
            st.warning("Primero debes establecer una línea base")
            return
            
        # Crear dos columnas
        col1, col2 = st.columns(2)
        
        with col1:
            st.markdown("### Línea Base")
            st.text_area(
                "Texto original",
                value=baseline['text'],
                disabled=True,
                height=200
            )
            
        with col2:
            st.markdown("### Nuevo Texto")
            current_text = st.text_area(
                "Ingresa el nuevo texto a comparar",
                height=200
            )
            
            if st.button("Analizar progreso", type="primary"):
                with st.spinner("Analizando progreso..."):
                    # Analizar texto actual
                    doc = nlp_models[lang_code](current_text)
                    current_metrics = analyze_text_dimensions(doc)
                    
                    # Mostrar comparación
                    display_comparison_results(
                        baseline_metrics=baseline['metrics'],
                        current_metrics=current_metrics
                    )
                    
                    # Opción para guardar progreso
                    if st.button("Guardar este progreso"):
                        success = store_writing_progress(
                            username=st.session_state.username,
                            metrics=current_metrics,
                            text=current_text
                        )
                        
                        if success:
                            st.success("Progreso guardado exitosamente")
                        else:
                            st.error("Error al guardar el progreso")
                            
    except Exception as e:
        logger.error(f"Error en interfaz de comparación: {str(e)}")
        st.error("Error al mostrar comparación")

###################################

def display_comparison_results(baseline_metrics, current_metrics):
    """Muestra comparación entre línea base y métricas actuales"""
    
    # Crear columnas para métricas y gráfico
    metrics_col, graph_col = st.columns([1, 1.5])
    
    with metrics_col:
        for dimension in ['vocabulary', 'structure', 'cohesion', 'clarity']:
            baseline = baseline_metrics[dimension]['normalized_score']
            current = current_metrics[dimension]['normalized_score']
            delta = current - baseline
            
            st.metric(
                dimension.title(),
                f"{current:.2f}",
                f"{delta:+.2f}",
                delta_color="normal" if delta >= 0 else "inverse"
            )
            
            # Sugerir herramientas de mejora
            if delta < 0:
                suggest_improvement_tools(dimension)
                
    with graph_col:
        display_radar_chart_comparison(
            baseline_metrics,
            current_metrics
        )

###################################
def suggest_improvement_tools(dimension):
    """Sugiere herramientas basadas en la dimensión"""
    suggestions = []
    for analysis, mapping in ANALYSIS_DIMENSION_MAPPING.items():
        if dimension in mapping['primary']:
            suggestions.extend(mapping['tools'])
    
    st.info(f"Herramientas sugeridas para mejorar {dimension}:")
    for tool in suggestions:
        st.write(f"- {tool}")

###################################

def prepare_metrics_config(metrics, text_type='student_essay'):
    """
    Prepara la configuración de métricas en el mismo formato que display_results.
    Args:
        metrics: Diccionario con las métricas analizadas
        text_type: Tipo de texto para los umbrales
    Returns:
        list: Lista de configuraciones de métricas
    """
    # Obtener umbrales según el tipo de texto
    thresholds = TEXT_TYPES[text_type]['thresholds']
    
    # Usar la misma estructura que en display_results
    return [
        {
            'label': "Vocabulario",
            'key': 'vocabulary',
            'value': metrics['vocabulary']['normalized_score'],
            'help': "Riqueza y variedad del vocabulario",
            'thresholds': thresholds['vocabulary']
        },
        {
            'label': "Estructura", 
            'key': 'structure',
            'value': metrics['structure']['normalized_score'],
            'help': "Organización y complejidad de oraciones",
            'thresholds': thresholds['structure']
        },
        {
            'label': "Cohesión",
            'key': 'cohesion', 
            'value': metrics['cohesion']['normalized_score'],
            'help': "Conexión y fluidez entre ideas",
            'thresholds': thresholds['cohesion']
        },
        {
            'label': "Claridad",
            'key': 'clarity',
            'value': metrics['clarity']['normalized_score'],
            'help': "Facilidad de comprensión del texto",
            'thresholds': thresholds['clarity']
        }
    ]        

###################################

def display_results(metrics, text_type=None):
    """
    Muestra los resultados del análisis: métricas verticalmente y gráfico radar.
    """
    try:
        # Usar valor por defecto si no se especifica tipo
        text_type = text_type or 'student_essay'
        
        # Obtener umbrales según el tipo de texto
        thresholds = TEXT_TYPES[text_type]['thresholds']

        # Crear dos columnas para las métricas y el gráfico
        metrics_col, graph_col = st.columns([1, 1.5])
        
        # Columna de métricas
        with metrics_col:
            metrics_config = [
                {
                    'label': "Vocabulario",
                    'key': 'vocabulary',
                    'value': metrics['vocabulary']['normalized_score'],
                    'help': "Riqueza y variedad del vocabulario",
                    'thresholds': thresholds['vocabulary']
                },
                {
                    'label': "Estructura",
                    'key': 'structure',
                    'value': metrics['structure']['normalized_score'],
                    'help': "Organización y complejidad de oraciones",
                    'thresholds': thresholds['structure']
                },
                {
                    'label': "Cohesión",
                    'key': 'cohesion',
                    'value': metrics['cohesion']['normalized_score'],
                    'help': "Conexión y fluidez entre ideas",
                    'thresholds': thresholds['cohesion']
                },
                {
                    'label': "Claridad",
                    'key': 'clarity',
                    'value': metrics['clarity']['normalized_score'],
                    'help': "Facilidad de comprensión del texto",
                    'thresholds': thresholds['clarity']
                }
            ]

            # Mostrar métricas
            for metric in metrics_config:
                value = metric['value']
                if value < metric['thresholds']['min']:
                    status = "⚠️ Por mejorar"
                    color = "inverse"
                elif value < metric['thresholds']['target']:
                    status = "📈 Aceptable"
                    color = "off"
                else:
                    status = "✅ Óptimo"
                    color = "normal"
                
                st.metric(
                    metric['label'],
                    f"{value:.2f}",
                    f"{status} (Meta: {metric['thresholds']['target']:.2f})",
                    delta_color=color,
                    help=metric['help']
                )
                st.markdown("<div style='margin-bottom: 0.5rem;'></div>", unsafe_allow_html=True)

        # Gráfico radar en la columna derecha
        with graph_col:
            display_radar_chart(metrics_config, thresholds)

    except Exception as e:
        logger.error(f"Error mostrando resultados: {str(e)}")
        st.error("Error al mostrar los resultados")

######################################

def display_radar_chart(metrics_config, thresholds, baseline_metrics=None):
    """
    Muestra el gráfico radar con los resultados.
    Args:
        metrics_config: Configuración actual de métricas
        thresholds: Umbrales para las métricas
        baseline_metrics: Métricas de línea base (opcional)
    """
    try:
        # Preparar datos para el gráfico
        categories = [m['label'] for m in metrics_config]
        values_current = [m['value'] for m in metrics_config]
        min_values = [m['thresholds']['min'] for m in metrics_config]
        target_values = [m['thresholds']['target'] for m in metrics_config]

        # Crear y configurar gráfico
        fig = plt.figure(figsize=(8, 8))
        ax = fig.add_subplot(111, projection='polar')

        # Configurar radar
        angles = [n / float(len(categories)) * 2 * np.pi for n in range(len(categories))]
        angles += angles[:1]
        values_current += values_current[:1]
        min_values += min_values[:1]
        target_values += target_values[:1]

        # Configurar ejes
        ax.set_xticks(angles[:-1])
        ax.set_xticklabels(categories, fontsize=10)
        circle_ticks = np.arange(0, 1.1, 0.2)
        ax.set_yticks(circle_ticks)
        ax.set_yticklabels([f'{tick:.1f}' for tick in circle_ticks], fontsize=8)
        ax.set_ylim(0, 1)

        # Dibujar áreas de umbrales
        ax.plot(angles, min_values, '#e74c3c', linestyle='--', linewidth=1, 
                label='Mínimo', alpha=0.5)
        ax.plot(angles, target_values, '#2ecc71', linestyle='--', linewidth=1, 
                label='Meta', alpha=0.5)
        ax.fill_between(angles, target_values, [1]*len(angles), 
                       color='#2ecc71', alpha=0.1)
        ax.fill_between(angles, [0]*len(angles), min_values, 
                       color='#e74c3c', alpha=0.1)

        # Si hay línea base, dibujarla primero
        if baseline_metrics is not None:
            values_baseline = [baseline_metrics[m['key']]['normalized_score'] 
                             for m in metrics_config]
            values_baseline += values_baseline[:1]
            ax.plot(angles, values_baseline, '#888888', linewidth=2, 
                   label='Línea base', linestyle='--')
            ax.fill(angles, values_baseline, '#888888', alpha=0.1)

        # Dibujar valores actuales
        label = 'Actual' if baseline_metrics else 'Tu escritura'
        color = '#3498db' if baseline_metrics else '#3498db'
        
        ax.plot(angles, values_current, color, linewidth=2, label=label)
        ax.fill(angles, values_current, color, alpha=0.2)

        # Ajustar leyenda
        legend_handles = []
        if baseline_metrics:
            legend_handles.extend([
                plt.Line2D([], [], color='#888888', linestyle='--', 
                          label='Línea base'),
                plt.Line2D([], [], color='#3498db', label='Actual')
            ])
        else:
            legend_handles.extend([
                plt.Line2D([], [], color='#3498db', label='Tu escritura')
            ])
        
        legend_handles.extend([
            plt.Line2D([], [], color='#e74c3c', linestyle='--', label='Mínimo'),
            plt.Line2D([], [], color='#2ecc71', linestyle='--', label='Meta')
        ])

        ax.legend(
            handles=legend_handles,
            loc='upper right',
            bbox_to_anchor=(1.3, 1.1),
            fontsize=10,
            frameon=True,
            facecolor='white',
            edgecolor='none',
            shadow=True
        )

        plt.tight_layout()
        st.pyplot(fig)
        plt.close()

    except Exception as e:
        logger.error(f"Error mostrando gráfico radar: {str(e)}")
        st.error("Error al mostrar el gráfico")

#######################################